检索历史 清除

摘要宫颈癌是目前世界上最常见的妇科恶性肿瘤，患者死亡率非常高。新柏氏液基细胞学检测（ThinprepCytologicTest，TCT）是宫颈癌筛查的基本方法，病理医生在显微镜下观察子宫颈脱落的鳞状上皮细胞，通过查看是否存在异常鳞状上皮细胞（下文简称阳性细胞）进行诊断。TCT对宫颈癌的检出率为100%，同时还可以发现部分癌前病变和微生物感染。目前国内的病理医生只有两万人左右，而且培养周期长，需求缺口极大。<br>　　本文的工作主要包括以下三个方面：<br>　　1、设计并实现了基于“再模糊”思想的针对数字病理图像的清晰度检测算法。解决了基于传统数字图像处理方式（图像方差、拉普拉斯梯度、图像能量函数、Vollath等）的算法无法有效区分以下两种样本：图像清晰但细胞量少的视野，图像模糊但细胞量多的视野的问题。基于“再模糊”的算法在2000张数字病理图像视野中的检测准确度指标AUC（AreaUnderCurve）值可以达到98.78%，相对图像方差算法提升了12.593%，实现了训练样本自动除杂及推理过程自动屏蔽模糊视野的功能。<br>　　2、使用经过病理医生标注的数字病理图像，训练针对阳性细胞的目标检测模型。设计基于FasterR-CNN的网络结构改进的模型，引入了可形变卷积网络和特征金字塔网络。实验结果表明，单独融合了特征金字塔网络的模型、单独融合可形变卷积网络的模型、以及同时融合特征金字塔网络和可形变卷积网络后的模型均可以快速收敛。<br>　　3、模型评价与临床数据检验：同时融合特征金字塔网络和可形变卷积网络的模型在真实临床数据上的测试结果mAP（meanAveragePrecision）达到0.29，相比其它的模型，有明显的效果提升，已经基本满足辅助病理医生诊断的需求（实际医院临床使用的模型mAP为0.32），证明特征金字塔网络和可形变卷积网络在小目标检测以及提取形状不规则目标特征的任务中有着良好的模型优化效果。